在视觉生成领域,VQGAN作为初始tokenizer长期以来一直发挥着不可或缺的作用,特别是在自回归视觉生成任务中。然而,由于码本大小和利用率的限制,基于VQGAN的自回归生成能力一直被低估。为了突破这一瓶颈,腾讯ARC团队开源了Open-MAGVIT2项目,这是对原始MAGVIT2模型的重新实现,旨在推动自回归视觉生成技术的发展。
MAGVIT2提出了一种强大的视觉tokenizer,通过引入新颖的无查找(LookUpFree)量化技术并将码本大小扩展到$2^{18}$,在图像和视频生成任务中展现出令人瞩目的性能。这一技术在近期最先进的自回归视频生成模型VideoPoet中发挥了关键作用。然而,研究界一直无法获取这个强大的tokenizer。
Open-MAGVIT2项目的目标是遵循MAGVIT-2中tokenizer设计的重要见解,并使用PyTorch重新实现它,以期达到与原始模型最接近的结果。该项目希望通过这一努力,能够在自回归视觉生成领域推动创新和创造力的发展。
最先进的性能: Open-MAGVIT2在8倍下采样时实现了0.39的rFID,超越了VQGAN、MaskGIT以及最近的TiTok、LlamaGen和OmniTokenizer等模型。
灵活的分辨率支持: 项目提供了针对不同分辨率的训练代码和检查点,包括128x128和256x256的ImageNet模型。
高度的码本利用率: 相比其他模型,Open-MAGVIT2实现了100%的码本利用率,充分发挥了大规模码本的潜力。
优秀的重建质量: 在PSNR指标上,Open-MAGVIT2达到了21.53(256x256)和25.78(128x128)的高分,展现出卓越的图像重建能力。
Open-MAGVIT2的核心是其视觉tokenizer,由编码器、无查找量化器(LFQ)和解码器组成。这一设计使得模型能够高效地将图像转换为离散的token序列,并在重建过程中保持高质量。
图1: Open-MAGVIT2 tokenizer的框架图,展示了编码器、LFQ和解码器的组成
在与其他先进模型的对比中,Open-MAGVIT2展现出显著的优势:
方法 | Token类型 | Token数量 | 训练数据 | 码本大小 | rFID | PSNR | 码本利用率 |
---|---|---|---|---|---|---|---|
VQGAN | 2D | 16x16 | 256x256 ImageNet | 1024 | 7.94 | 19.4 | - |
MaskGIT | 2D | 16x16 | 256x256 ImageNet | 1024 | 2.28 | - | - |
LlamaGen | 2D | 16x16 | 256x256 ImageNet | 16384 | 2.19 | 20.79 | 97% |
Open-MAGVIT2 | 2D | 16x16 | 256x256 ImageNet | 262144 | 1.53 | 21.53 | 100% |
表1: 不同tokenizer在256x256 ImageNet 50k验证集上的重建性能对比
特别值得注意的是,Open-MAGVIT2在128x128分辨率上训练并在512x512分辨率上测试时,仍然保持了出色的性能:
方法 | Token类型 | Token数量 | 数据 | rFID |
---|---|---|---|---|
MAGVIT2 | 2D | 16x16 | 128x128 ImageNet | 1.21 |
Open-MAGVIT2 | 2D | 16x16 | 128x128 ImageNet | 1.56 |
表2: 与原始MAGVIT2在128x128分辨率上的性能对比
Open-MAGVIT2不仅在数据指标上表现优异,在实际的图像重建效果上也令 人印象深刻。以下是一些重建结果的可视化:
图2: 在256x256分辨率上训练和测试的Open-MAGVIT2 tokenizer重建效果。(a)为原始图像,(b)为重建图像。
图3: 在128x128分辨率上训练并在512x512分辨率上测试的Open-MAGVIT2 tokenizer重建效果。(a)为原始图像,(b)为重建图像。
Open-MAGVIT2项目目前仍处于早期阶段,团队正在积极开发中。未来的工作计划包括:
这些计划的实现将进一步推动自回归视觉生成技术的发展,为研究者和开发者提供更强大的工具。
Open-MAGVIT2项目为自回归视觉生成领域带来了新的可能性。通过开源实现MAGVIT2的核心技术,该项目不仅展示了卓越的性能,还为整个社区提供了宝贵的研究资源。随着项目的不断发展和完善,我们期待看到更多基于这一技术的创新应用,推动视觉生成技术向更高水平迈进。
对于有兴趣深入了解或参与项目的研究者和开发者,Open-MAGVIT2的GitHub仓库提供了详细的安装指南、训练脚本和评估方法。通过共同努力,我们有望在不久的将来见证自回归视觉生成技术的新突破。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号